Letzte Änderung : 10.04.2026 14:05:09
| Studiengänge >> Automatisierung und Mechatronik KIA 2024 Dipl.-Ing. (FH) >> Mustererkennung und Maschinelles Lernen |
| Code: | 230650 |
| Modul: | Mustererkennung und Maschinelles Lernen |
| Module title: | Pattern Recognition and Machine Learning |
| Version: | 1.0 (03/2017) |
| letzte Änderung: | 16.01.2025 |
| Modulverantwortliche/r: | Prof. Dr. rer. nat. Bischoff, Stefan s.bischoff@hszg.de |
| angeboten in den 18 Studiengängen: | Automatisierung und Mechatronik (B.Eng.) gültig ab Matrikel 2018 (Pflichtmodul) | Automatisierung und Mechatronik (B.Eng.) gültig ab Matrikel 2018 (Wahlpflichtmodul (Vertiefung)) | Automatisierung und Mechatronik (B.Eng.) gültig ab Matrikel 2021 (Wahlpflichtmodul (Vertiefung)) | Automatisierung und Mechatronik (B.Eng.) gültig ab Matrikel 2021 (Pflichtmodul) | Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2018 (Pflichtmodul) | Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2021 (Pflichtmodul) | Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2024 (Pflichtmodul) | Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2026 (Pflichtmodul) | Automatisierung und Mechatronik KIA (B.Eng.) gültig ab Matrikel 2018 (Pflichtmodul) | Automatisierung und Mechatronik KIA (B.Eng.) gültig ab Matrikel 2021 (Pflichtmodul) | Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2018 (Pflichtmodul) | Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2021 (Pflichtmodul) | Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2024 (Pflichtmodul) | Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2026 (Pflichtmodul) | Elektrotechnik (B.Eng.) gültig ab Matrikel 2024 (Wahlpflichtmodul (Vertiefung)) | Elektrotechnik (B.Eng.) gültig ab Matrikel 2026 (Wahlpflichtmodul (Vertiefung)) | Elektrotechnik/Mechatronik (M.Eng.) gültig ab Matrikel 2025 (Pflichtmodul (Vertiefung)) | Elektrotechnik/Mechatronik (M.Eng.) gültig ab Matrikel 2026 (Pflichtmodul (Vertiefung)) |
| Modul läuft im: | SoSe+WiSe (Sommer- und Wintersemester) |
| Niveaustufe: | Diplom/Master |
| Dauer des Moduls: | 1 Semester |
| Status: | Pflichtmodul |
| Lehrort: | Zittau |
| Lehrsprache: | Deutsch |
| Workload* in | SWS ** | |||||||||||||||||||||||||||||||||||||||||
| Zeit- std. | ECTS- Pkte |
|||||||||||||||||||||||||||||||||||||||||
| * | Gesamtarbeitsaufwand pro Modul (1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden) |
| ** | eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche |
| Selbststudienzeit in h | ||||
| Lehr- und Lernformen: | Vorlesung Seminar Übung |
| Prüfung(en) | |||
| Prüfung | Prüfungsleistung als Beleg (PB) | 100.0% | |
| Lerninhalt: |
Grundlagen der Klassifikation (Erkennung) Merkmalsextraktion am Beispiel der Bildverarbeitung Farb-, Textur- und Formmerkmale Dimensionsreduktion Principle Component Analysis (PCA) Abstandsbasierte Klassifikation Entscheidungsbäume Statistische Klassifikation Grundlagen des Maschinellen Lernens Überwachte und unüberwachte Lernverfahren K-Means Support Vector Machine (SVM) Künstliche Neuronale Netze (NN) Convolutional Neural Networks(CNN) als universeller Erkenner in der Bildverarbeitung |
| Lernergebnisse/Kompetenzen: | |
| Fachkompetenzen: | Nach Absolvieren des Moduls sind die Studierenden in der Lage, KI-Systeme zu spezifizieren, die in einer Menge von Daten Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten erkennen. Sie kennen Verfahren, die gemessene Signale automatisch in Kategorien einordnen. |
| Fachübergreifende Kompetenzen: | Die Studierenden - diskutieren in kleinen Teams das Vorgehen zur Lösung der projektspezifischen Aufgaben im Rahmen eines Beleges und erstellen die Planung für das Projekt. (Teamfähigkeit und Kommunikationsfähigkeit) Darstellung von Ergebnissen - Verteidigen der eigenen Lösungsansätze Ergebnisorientiertes Handeln und Zielstrebigkeit bei der Lösung ingenieurtechnischer Aufgabenstellungen. |
| Notwendige Voraussetzungen für die Teilnahme: | Kompetenzen aus den Modulen Grundlagen der Informatik, Objektorientierte Programmierung (ohne Nachweiserfordernis) |
| Empfohlene Voraussetzungen für die Teilnahme: | Programmierkenntnisse in Python und Umgang mit der Bildverarbeitungsbibliothek OpenCV, TensorFlow und Keras |
| Literatur: | Christopher M Bishop; Pattern Recognition and Machine Learning; Springer 2006 Jähne, B.: Digitale Bildverarbeitung. Springer 2012 Demant, Ch.: Industrielle Bildverarbeitung. Springer 2011 Beyerer, J.: Automatische Sichtprüfung. Springer 2012 Howse J., Minichino J.: Learning OpenCV 5 Computer Vision with Python. 2024 |